该论文旨在解决非线性模型预测控制(Nonlinear Model Predictive Control, NMPC)在实际部署中的在线计算瓶颈问题。研究背景是：在嵌入式硬件上以高控制率求解非线性规划(Nonlinear Program)通常计算成本高昂，尤其是在模型复杂或预测时域较长时。现有的基于学习的NMPC近似方法虽然能将计算转移到离线阶段，但通常需要大量专家数据集和昂贵的训练成本。
论文提出了Sequential-AMPC，这是一种序列神经策略(Sequential Neural Policy)。其核心方法是：通过在整个预测时域(Prediction Horizon)上共享参数，来生成MPC候选控制序列。为了部署，论文将该策略包装在一个安全增强的在线评估和回退机制(Safety-Augmented Online Evaluation and Fallback Mechanism)中，从而得到Safe Sequential-AMPC。
论文的核心创新点在于：
- **提出了一种新颖的序列神经策略架构**：与传统的、在每个时间步独立预测的前馈策略(Feedforward Policy)不同，Sequential-AMPC通过在整个预测时域上共享参数来顺序生成控制序列，这更符合MPC的序列决策本质。
- **实现了高效的学习与部署**：该方法显著减少了对专家MPC轨迹(Expert MPC Rollouts)的需求，并提高了候选序列的可行性率(Feasibility Rate)和闭环安全性(Closed-Loop Safety)。
- **改善了高维系统的学习动态**：在高维系统上，该方法在更少的训练周期(Epochs)内表现出更好的学习动态和性能，并在前馈基线可能停滞时保持稳定的验证改进。
论文对该领域的总体贡献是：
- 提出了一种新的、基于学习的NMPC近似框架(Sequential-AMPC)，它比前馈策略基线更数据高效、性能更优。
- 设计了一个集成的安全机制(Safe Sequential-AMPC)，将学习到的策略与在线安全评估和回退相结合，增强了实际部署的鲁棒性。
- 通过多个基准测试(Benchmarks)验证了所提方法在减少专家数据需求、提高候选序列可行性和闭环安全性方面的优势，为安全、高效的学习型非线性模型预测控制提供了新的可行路径。